- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据魔术师
APS智能排产+运筹优化算法=？
（一）APS智能排产系统 供应链高级计划相关业务涉及预测计划，采购计划，产能规划，人力计划，MPS/MRP，主生产计划，工序计划，装车计划，配送计划等软件模块，覆盖中长期计划与短周期排产等供应链全部计划业务场景 图 基于GA+TS的混合智能算法 APS智能排产系统既可以支持标准算例模型，也可以支持企业级模型与约束。考虑算法研究与企业应用需要同时兼顾，系统界面如下图所示。 ? 图 基于Pert关键路径分析算法 APS智能排产系统支持网络计划模型，可以用于项目型计划排产与滚动排产，例如飞机，轮船，大型机械等生产制造，替代Project等项目计划软件，系统对网络计划的执行进行监督 APS智能排产系统整合国内顶尖的排样引擎，实现二维排样与排产计划联动。 ? 图 路径规划求解器 APS智能排产系统集成国内自主研发的顶尖的车辆路径规划引擎，实现三维装箱、路径规划与排产计划联动，并在行业领先企业得到应用。 ? 图 APS排产系统甘特图展示路径优化结果
5.9K46发布于 2021-03-16 一文讲清智能排产系统搭建全攻略
本文将聚焦智能排产系统的落地路径：先阐释其“整合订单、工艺、资源等要素，实现自动化排产方案生成”的核心功能，再从基础数据搭建、智能排产工作台配置、生产报工闭环、经营看板分析四大模块，详解系统搭建的关键逻辑与实施步骤 注：本文示例所用方案模板：简道云排产管理系统，给大家示例的是一些通用的功能和模块，都是支持自定义修改的，你可以根据自己的需求修改里面的功能。一、什么是智能排产系统？1.是什么？ 智能排产系统，就是一套帮你把生产任务排清楚、排得准、排得动的系统。 整个排产过程变成了：有数据、有逻辑、有反馈。2.干什么？智能排产系统的核心作用，是帮助企业系统化解决生产计划中的混乱和不确定性，让计划排得出、资源配得上、执行跟得上。 只要这六块数据建好了，系统排产才能“按逻辑跑”，而不是“凭运气凑”。模块二：智能排产工作台——整套系统的大脑中枢这一步是“排产真正开始”的地方。
1.5K10编辑于 2025-07-09机械加工行业APS系统应用解析：用智能排产破解生产难题
很多传统机加工企业都有一个共同的想法，他们想摆脱订单复杂、工序繁多、交期紧张带来的麻烦，不想再用耗时费力的人工排产，他们希望生产流程能顺畅一些，产线能稳定一些，同时能提高生产效率。 要满足这些诉求，就会用到数字化进程中不太接触的APS高级计划排程系统，APS系统会和企业各类生产相关的系统对接，通过量化数据配置和计划规则配置后，APS算法对生产计划进行全局优化和精准排产，我们结合机械加工企业的实际需求 传统的人工排产方式，显然满足不了机加工企业的这些需求。计划人员要手动统计订单、设备、物料等各类信息，还要凭经验安排工序顺序，这种方式不仅工作量大，还容易出错。 对机械加工企业来说，做到精准排产、保证产线稳定、优化生产计划，是企业的核心需求，APS系统的核心能力，刚好能匹配这些需求。 ，这种兼顾灵活性和稳定性的排产模式，正是企业需要的。
12700编辑于 2026-08-19工厂生产排产为何总失控？ERP系统如何实现精准计划排程？
在制造型工厂的日常运营中，生产计划排产往往是最容易“翻车”的环节：订单交期延误、设备闲置与过载并存、物料到货与生产节拍脱节……很多管理者将问题归咎于“计划赶不上变化”，但深层原因往往是排产逻辑依赖人工经验 一、工厂生产排产常见的四大失控点要理解ERP系统如何优化排产，先要看清传统排产模式的典型问题：1.订单与产能信息割裂销售接单时无法实时掌握车间负荷，导致超接订单或交期承诺过短，排产被迫频繁插单。 3.工序流转依赖纸质单据工序进度靠人工汇报，数据滞后且易出错，计划员无法及时调整后续排产。4.排产规则不透明老师傅凭经验排产，换人后生产节奏混乱，难以沉淀标准化排产知识。 2.物料需求计划（MRP）联动排产排产前系统自动展开BOM，计算物料净需求，并与采购在途、库存现有量比对，生成缺料预警。排产时只安排物料齐套的工单，从源头减少停工待料。 基础数据不准，排产结果必然失真。2.设定合理排产参数包括提前期、安全库存、批量规则、设备效率系数等，需结合工厂实际反复验证，避免照搬默认值。
11310编辑于 2026-09-06两小时搭建自动排产系统，效率提 40%
没想到只用了两个小时，就把一套自动排产系统跑起来了。效果很明显：效率提升 40%，计划有章可循，设备利用率更均衡，车间的执行也稳定了。接下来和大家详细拆解一下。一、为什么生产排程总是乱？ 要解决排程混乱的问题，可以从这三个核心模块出发设计：订单优先级设置模块、设备负荷监控模块、自动排程计算模块。 1. 订单优先级设置模块排程混乱，往往从“先做哪个订单”开始。 排产的时候就可以合理调整，避免有的机器爆满、有的机器空闲。3. 自动排程计算模块最后一步，也是最核心的一步，就是自动排程计算。系统根据订单的优先级和设备的负荷情况，自动生成最优的排程方案。 五、我的心得这次搭建最大的感受是：排产其实不需要很复杂的算法，关键是把几个核心点抓住。优先级解决了“做哪个”的问题；设备负荷解决了“能不能做”的问题；自动计算解决了“怎么做”的问题。 把这三点串起来，就能形成一个高效、可执行的排产系统。另外，别想着一步到位。
91810编辑于 2025-10-10- 来自专栏APS-高级计划与排程
多工序、多机台(产线)环境下的排程要点
单一工序，多资源种类 单一工序 ，多种类资源情况，仅对产品的一个工序进行排产，仅可用于这个工序的资源是多种多样的，并且各种资源之间可以互换的。此类计划主要是为了实现资源的优化分配。 多工序，多资源种类 多个工序，多资源种类的和产计划，也是目前最为常见，也是最为复杂的生产计划，是本文讨论的重点。多工序与前一个问题一样，是针对整个产品的工序路线进行排产。 那么当同时对多个产品进行排产时，各个产品的工序路线形成的工序生产序列和资源分配方案，很容易就形成了胶着状态，甚至在多个资源之间会出现死锁状态。 因为一个正常的产计划会存在时间与空间两个主要维度，其中的空间维度本文的场景中就是机台，表示为一个任务被分配到了指定机台。 小结 自此，本文描述了基于Optaplanner设计APS排产引擎时，遇到比较棘手的问题。
3.3K92发布于 2019-09-06 一文讲透企业精细排产的底层逻辑！
所以今天，我们就来聊聊这个被很多工厂“低估了”的关键环节——排产到底该怎么排，才能真正控成本、提利润？精细排产的底层逻辑，今天这篇一次给你讲透！ 如果没一个清晰的判断逻辑，那这张排产表就是写来看的，不是写来干的。二、排产排不准，会出什么问题？ 所以，排产不是“能排上”就算完事，而是排得准、排得动、干得顺、交得上，这才是真正的“排产力”。三、搞懂精细排产的底层逻辑，先别急着上系统！ 有系统才叫排产，不靠人脑凑凑算最后，精细排产必须借助工具，光靠Excel真的很难做细、做稳。 只要逻辑清晰、数据干净、机制协同，哪怕是中型制造企业，也能跑出非常不错的精细排产效果。最后总结一句话：排产排不准，全厂都瞎忙！
64300编辑于 2025-07-22基于AI大模型的供应链智能计划排产与交期承诺动态分析技术方案
文档版本： V1.0 适用场景： 制造业供应链 APS 计划排产 / ATP 交期承诺 技术栈方向： LLM + 约束优化引擎 + 供应链本体论 + 向量数据库 一、方案背景与核心问题 1.1 传统 APS /ATP 的能力边界 传统 APS（高级计划与排程）系统在制造业中已广泛应用，其核心价值在于充当数据分析决策与事务操作处理之间的桥梁——从需求分析到生产排产，从库存计算到交期承诺。 本方案的目标范围 本方案聚焦两个核心场景： 场景 目标 自动化程度 ATP 交期承诺 客户需求变更后，自动评估交期可行性，输出承诺日期、置信度、原因链与备选方案 高频场景优先实现全自动化 APS 计划排产 各层职责如下： 场景驱动入口层： ATP 交期承诺查询、APS 排产冲突识别、多目标权衡等具体业务场景的请求入口，支持自然语言输入。 4.3 引擎③ — ML 经验修正引擎 输入： 约束优化引擎的理论计算结果 + 历史"承诺 vs 实际"偏差数据 输出： 置信区间与风险修正系数 理论排产时间与实际完工时间之间永远存在偏差，原因是人的操作习惯
1.6K10编辑于 2026-04-13- 来自专栏云蛛系统
云蛛系统AutoBI-anything的Mes套件-APS排产执行引擎
下面，我们就针对重头APS的业务逻辑，给您详细的阐述一下：时间触发在订单页面点击排产的时候，会产生排产数据，排产数据完成后，会生成工单数据并根据排产数据的最小时间确定工单的启动时间。 设备，会将所有排产数据导入执行序列中，作为执行数据执行。班组，将该班组所属工序的排产数据，汇总为一条数据，作为执行数据。 对于设备来说，如果排产数据不足的话，会自动补数据，但是这种情况，或多或少，会出现生产小误差，所以尽量需要在排产的时候，尽量估算准确。工序延迟工序中存在设备或者班组处于别的工单生产中，此工序延迟。
32410编辑于 2025-12-29 企业AI应用（十一）：AI排产，是颠覆APS还是换了一层皮？
现在AI排产的方案铺天盖地，号称能解决APS解决不了的问题。但真正拆开看，AI排产到底比APS强在哪？又有哪些问题，换了AI一样解决不了？ 这种场景下AI排产的效率优势并不明显。 AI排产真正有效率优势的，是"规则本身需要临时调整"的插单场景。 排产的难点很多时候不在"怎么排"，而在"排了之后能不能执行"。销售临时插单、采购物料没到、设备突然需要保养、质量问题导致返工——这些来自排产系统边界之外的冲击，APS解决不了，AI排产同样解决不了。 排产系统的能力边界在这里，不管用什么算法。 可解释性和信任问题。APS给出的排程，排产员能看懂背后的逻辑——因为规则是人定义的，结果可以追溯。 AI排产的黑箱特征剥夺了这个微调手段。排产员看不懂为什么这样排，也就无从判断哪些部分需要调整、该往哪个方向调。"模型认为这个顺序最优"不是一个让排产员放心的理由。
26710编辑于 2026-07-22从排产到质控，知名MES厂商盘古信息如何撬动制造业效率革命？
在全球制造业加速向智能化、网络化转型的战略机遇期，制造执行系统（MES）作为连接计划层与控制层的核心枢纽，正成为企业构建核心竞争力的战略支点。 盘古信息MES系统集成生产计划排程、生产进度跟踪、生产任务甘特图等等标准功能，对生产过程中的数据进行整合、分析，管理者根据生成的详实报表进行排产颗粒度的细化，实现生产过程的计划管理和需求管理，实现生产环节的智能调度和过程追溯 二、持续深耕，打造多行业应用数字化智能制造解决方案盘古信息自成立以来，专注于为企业提供智能制造解决方案。其研发团队由行业资深专家与技术精英组成，深入了解制造业痛点与需求，持续投入技术创新与产品优化。 2.电子元器件行业对于电子元器件产品更新换代快、生产工艺复杂的行业特性，MES系统的智能排产、物料管控等功能发挥了关键作用。 随着工业互联网、5G等技术的深度融合，盘古信息将持续引领智能制造发展方向，为“中国智造”迈向全球价值链中高端注入强劲动力。
54310编辑于 2025-05-15应对多型号混线挑战：CCS集成母排产线数据架构设计探讨
在动力电池与储能行业，CCS（CellsContactSystem，集成母排）正经历从“FPC+镍片”向“铝巴+热压”等多元结构的快速迭代。 这种“一拖多”的柔性制造模式，对控制系统提出了传统刚性产线未曾面对的挑战。 不同型号对应的焊接功率曲线、视觉检测ROI区域、耐压测试阈值均不同，如果数据采集系统无法实现“随型号自适配”，产线的智能就仅仅是“自动化”的遮羞布。 CCS焊接过程中，单个焊点能量反馈数据点密集，一条产线每分钟产生数万个测点。 利用开源工具Node-RED编写轻量级函数节点，将产线的报警代码即时转译为业务语义。
14000编辑于 2026-07-27- 来自专栏C++
【排序算法】堆排、快排、归并排、各种排
1、堆 2、快排 颜色分类 颜色分类 class Solution { public: void sortColors(vector<int>& nums) { int i = 排升序，找cur2之前有多少个数比我大。 +] = arr[b2++]; for (int i = l; i <= r; i++) arr[i] = tmp[i]; return ret; } }; 排降序 int b1 = l, b2 = mid + 1, i = l; while (b1 <= mid && b2 <= r) { // 排降序
35010编辑于 2025-04-04 AR技术辅助装配，打造智能化产线
在元幂境看来，随着工业4.0和智能制造的深入推进，越来越多的制造企业开始探索先进技术与传统工艺的融合路径。 其中，增强现实（AR）技术以其可视化、交互性强、信息融合等优势，在装配环节的应用日益广泛，正在重塑传统产线，助力企业实现降本增效、提质提速的目标。 此外，AR系统还可以结合企业MES、ERP等系统数据，实现实时工艺更新和个性化指令推送，使装配操作更加灵活和智能。 三、打造智能产线的未来图景 在元幂境看来，将AR与AI识别、物联网传感、边缘计算等技术融合，未来的智能化产线将不仅是可视化操作平台，更是具备决策、预测与自我优化能力的“智慧工厂大脑”。 国内也有不少企业积极跟进，利用AR技术打造符合自身需求的智能产线解决方案。 结尾： 在元幂境看来，AR技术正逐步从概念走向成熟应用，其在装配环节的落地，成为推动制造业智能化转型的重要一环。
35410编辑于 2025-09-23- 来自专栏漫途科技
建筑能耗智能监测系统，助力企业节能减排！
为了节约能源和减排，降低成本，建立高效的建筑能耗智能检测系统，实时监控各类建筑能耗设备的能耗数据，统计分析采集数据。合理确定各区域建筑能耗经济指标，发现能源使用规律和能源浪费，提高人员主动节能意识。 一、系统架构图片二、系统组成漫途建筑能耗智能监测系统主要由：远程在线数据采集终端MT-BOX、无线通信网络和MTIC 3.0综合云平台。 风险预警、智能分析：实时采集的数据和设定的阈值进行比较，MTIC 3.0云平台支持AI智能分析并进行风险预警。 四、MT-BOX智能终端简介MT-SR411是一款兼具远程集采和控制功能的智能终端，其提供了1路RS 232接口、1路RS 485接口、8路开关量采集、8路继电器输出和4路模拟量采集能力。 MT-SR411可以将现场传感器数据实时上报给MTIC 3.0云平台，从而完成后续的一系列风险预警、智能分析等操作。图片
2.7K20编辑于 2023-01-09 - 来自专栏NewBeeNLP
召回 粗排 精排，如何各司其职？
精排-最纯粹 精排是最纯粹的排序，也是最纯粹的机器学习模块。它的目标只有一个，就是根据手头所有的信息输出最准的预测。我们也可以看到，关于精排的文章也是最多的。 精排也是整个环节中的霸主，你在召回上的一个改进点，精排没有get到，那你这个改进点就不能在实际环境中生效。前面的环节想要做出收益，都得精排“施舍”。 粗排-略显尴尬的定位 相比于召回和精排，粗排是定位比较尴尬的。在有的系统里，粗排可以很丝滑的平衡计算复杂度和候选数量的关系。但是在有的例子中，粗排可能只是精排甚至召回的一个影子。 所以，粗排的模型结构大多数情况下都很像精排或者召回。 粗排是一个非常容易照本宣科的地方，因为粗排不是必需的环节。 如果你的候选数量非常少，那连召回都不需要了；如果你的精排能吃的下召回的输出，那可以考虑实验对比是不是需要粗排。但是假如不加粗排，总感觉欠缺点什么。
2.8K10发布于 2021-10-20 - 来自专栏我爱计算机视觉
人工智能在空调焊接产线中的应用
目前生产线存在的问题主要有： 空调底座焊接产线老旧、相对固化，存在大量非结构化因素，限制了产线改造的灵活性，产线无法进行运动-暂停-运动的连续间断工作模式，只有连续工作和持续暂停模式，对整体智能化改造带来了困难 由于问题(1)的产生，需要增加模块对运动的空调底座进行检测，判别空调底座是否进入了拍照范围； 运动、光线、噪声的影响会导致获取图片不一致问题； 底座的缺陷检测完全由人工介入，降低了产线的智能化程度，也增加了人工成本 根据检测结果，对PLC发送控制信号，发出警报信号和相应的产线流程处理。 为了更好的展现和解释空调底座焊接产线的增量式智能改造； 图1展现了空调底座焊接产线智能改造系统流程图， 图2展现了空调底座焊接产线智能改造结构框图。 ? 图1 空调底座焊接产线智能改造系统结构图 ? 图2 空调底座焊接产线智能改造系统流程图 通过构建的智能化检测系统取代了线上的人工肉眼检测，不仅节约了人工成本、提高了检测效率，同时降低人员在生产过程中发生生产事故的可能性。
1.2K20发布于 2020-05-26 腾讯CodeBuddy实现产设研全流程智能协同开发
根据资产库生成UI组件（200+页秒级渲染） 深度集成研发流程的关键组件 CodeBuddy CLI：命令式编程集成CI/CD管线（资源占用<500MB），支持批量代码生成与企业规约编程 安全智能体 ：集成腾讯TCA代码分析工具，自动修复漏洞（覆盖代码缺陷/安全漏洞/无效代码等6类问题） 架构智能体：实时监听Git仓库变更，自动更新架构图/数据流图等技术文档 内部落地验证关键效能提升 Plugin 腾讯Design）+编码辅助（IDE/Plugin/CLI）+运维部署（CloudBase）的全栈方案 企业级管理能力：Admin后台统一管控规则库（编码规范Rules）+知识资产（MCP组件库）+智能体调度 通过腾讯银河麒麟操作系统+国产NPU算力实现全栈信创适配 技术领导力实证 提出AI编程成熟度模型（L1-L5分级），定义2027年L5级「AI开发团队」技术路径 主导制定MCP（组件规范）/A2A（智能体协作
1.4K30编辑于 2026-04-01- 来自专栏漫途科技
产线工位智能呼叫系统，助力工厂更高效生产！
产线工位智能呼叫系统主要用于工厂物料扭转、维修、工艺、管理等，将传统的模块班上云端，形成一套智能化管理方案，清楚掌握产销流程、提高生产过程的可控性、减少生产线上人工的干预、及时正确地采集生产线数据，这样可大幅度提高生产效率
97520编辑于 2023-01-12 - 来自专栏行业科技知识分享
智能制造之 SMT 产线监控管理可视化
开场动画新-小卡-min.gif SMT 厂房的三维模型的呈现，是实现产线设备、人员、现场管控的第一步。 HT 通过 SMT 产线现场所搜集的设备图片、设备布局、厂房布局、厂区 CAD 等信息资料，将产线进行等比例建模，还原于三维场景中。 直观监测产线设备状态、生产质量、库存信息等，提高工厂运作决策效率。 并加入智能预警分析功能，一旦设备数据超过既定阈值并且历史数据进行分析研判，将在三维场景内对设备进行标红闪烁以呈现告警状态。 用户通过 PC 、 PAD 或是智能手机，只要打开浏览器可随时随地访问三维可视化系统，实现远程监查和管控。
1.8K40发布于 2021-06-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号